貨車駕駛人駕駛行為與行車安全研究進展

覃文文，李歡，李武，谷金晶，戢曉峰*

(1.昆明理工大學，交通工程學院，昆明 650504；2.云南省現代物流工程研究中心，昆明 650504；3.大連理工大學，建設工程學部，遼寧大連 116024；4.同濟大學，電子與信息工程學院，上海 201804）

0 引言

營運貨車一般具有重心位置高、載貨量大、行車時間長、動能高及減速能力弱等特點，其引發(fā)的事故通常比未涉及貨車的事故更加嚴重。近年來，我國道路運輸業(yè)發(fā)展快速，營運貨車的數量迅速增加，貨運規(guī)模逐漸向大型化和重載化方向發(fā)展，由此帶來的交通安全隱患問題也日益突出。據《中國道路交通事故統(tǒng)計年報(2017年度)》[1]針對營運車輛肇事情況的統(tǒng)計結果表明：2016年發(fā)生39462起事故，導致19018人死亡；營運貨車(重型、中型及輕型貨車)導致26649起事故，占總數的67.53%，并導致14231人死亡，占總數的74.83%。報告中特別指出，由營運貨車駕駛人引起的不當駕駛行為，例如，超速、疲勞駕駛及違反交規(guī)等造成了大量的交通事故?？梢钥闯?，貨車駕駛人作為車輛的決策和控制者，其行為標準極大影響著道路交通的安全性。為預防和減少重特大事故的發(fā)生，如何科學合理地描述、甄別及預測貨車駕駛人潛在的駕駛行為風險，并揭示其與行車安全的內在復雜關系，已成為我國道路運輸業(yè)安全可持續(xù)發(fā)展亟待解決的核心問題，對于選拔培訓貨車駕駛人，減少人員傷亡及財產損失具有重要的現實意義。

大量研究表明[2-4]：駕駛人駕駛行為與道路交通安全具有極強的相關性，超過90%的交通事故和65%的危險工況均與人因有關。顯然，事故致因由人為因素占主導，駕駛人是車輛的直接操控者，其駕駛行為是導致車輛是否具有事故風險的重要因素。一般來說，駕駛人的駕駛行為可分為兩類[5]：一類是常規(guī)駕駛行為，包括自由直行、跟馳及換道等；另一類是危險駕駛行為，包括分心駕駛、疲勞駕駛、超速駕駛及飲酒/醉酒駕駛等。危險駕駛行為蘊含著由于駕駛方式的不規(guī)范而可能產生的事故風險性，在貨車駕駛人中表現得尤為突出。受行程距離偏長和限時送達的現實制約，貨車駕駛人為了規(guī)避運輸超時的處罰，普遍存在疲勞駕駛和超速駕駛等危險駕駛行為[6-7]。駕駛行為作為影響交通安全最活躍的因素，目前，從該角度研究貨車的行車安全性獲得了國內外學者的廣泛關注，涉及問題包括但不限于貨車的駕駛行為識別[8-9]及其與行車安全關系分析[10-11]，碰撞事故致因分析[12-14]及駕駛人駕駛風險評估[15-16]等。然而，已有涉及行車安全相關內容的主題研究，通常從小汽車駕駛人角度，探究駕駛人的視覺[17]、超速行為[18]、分心行為[19]及疲勞行為[20]等特性與駕駛風險的關系，缺乏針對貨車駕駛人駕駛行為與行車安全研究進展的系統(tǒng)性總結和梳理。例如，駕駛行為數據采集方式雖然豐富但各有弊端且適用場景不統(tǒng)一；所采集的樣本數量大多有限，缺乏大規(guī)模路網的貨車駕駛行為監(jiān)測、干預及管理，使得數據和結果的參考價值受到一定局限；貨車駕駛人駕駛行為辨識單一，且特征指標的合理性分析較少，缺少通用的指標適應性選取原則；目前，無論是國內還是國外，尚沒有較優(yōu)的基于貨車駕駛人特性的駕駛安全風險評估方法及干預手段；同時，在高新智能自動化環(huán)境下，貨車駕駛人危險駕駛行為與道路環(huán)境和交通擁堵程度等因素之間復雜的交互關系仍有待細化。隨著研究的深入和技術水平的發(fā)展，可以預見，從人、車、路這3方面，基于車輛軌跡數據、車輛運動數據、視頻監(jiān)控數據及氣象數據等多源數據的融合，研究貨車在途動態(tài)風險預測和道路風險實時預警系統(tǒng)在復雜行車環(huán)境中的可靠性和魯棒性將是未來貨車駕駛人駕駛行為與行車安全領域的長期研究方向。相關的貨車駕駛人危險駕駛在線監(jiān)測技術和主動安全干預系統(tǒng)也將會有較大發(fā)展。

鑒于主題模型具有從大量繁雜文本中自動組織、搜索和挖掘隱含語義結構的特點，形成的主題群有利于凝練研究領域的發(fā)展方向[21]。因此，本文采用主題模型，全面梳理近12年內貨車駕駛人駕駛行為與行車安全領域的38 篇文獻，系統(tǒng)總結該領域內的各類研究主題，并歸納總結各類研究主題的通用分析路徑，綜述和分析各類研究主題涉及到的數據源、變量選擇方法、研究地點及建模方法。此外，本文在總結現有研究存在問題的基礎上展望未來可能的研究方向，以使讀者對于“貨車駕駛人駕駛行為與道路行車安全交互作用機理”這一關鍵問題有相對全面的認識，從而在中國范圍內促使面向貨車駕駛人的危險駕駛行為預警干預與主動式道路風險防控決策的深入開展。

1 研究方法

1.1 文獻檢索策略

為了篩選出與貨車駕駛人的駕駛行為和行車安全相關的研究文獻，本文從以下4個數據庫中進行英文和中文文獻的搜索：Web of Science，Scopus，TRID(Transport Research International Documentation)和中國知網。其中，文獻搜索時間范圍設定為2010—2021年，文獻搜索截止時間為2021年12月31日，搜索關鍵詞的詞組由3 個部分組成：(1)貨車，營運貨車，重型貨車，貨車駕駛人，freight truck，commercial truck，large truck，heavyduty truck，heavy goods vehicle，truck driver；(2) 駕駛行為，駕駛風格，駕駛風險，driving behavior，driving style，driving risk；(3)碰撞風險，碰撞嚴重程度，道路風險，道路安全，交通事故，crash risk，crash severity，road risk，road safe，traffic accident。

上述關鍵詞的詞組主要根據研究對象和與研究對象相關的研究內容進行整理和提煉。在文獻搜索過程中，詞組的每個部分至少要有1個關鍵詞起作用，并根據不同的數據庫調整搜索語言和搜索關鍵詞。在此基礎上，通過剔除數據庫間重復的文獻、綜述性文獻、與生態(tài)駕駛相關的文獻及與心理學和社會科學相關的文獻，最終得到38 篇關鍵文獻，如表1所示。

1.2 研究主題建模

主題模型是一種無監(jiān)督的機器學習模型，在自然語言處理中被廣泛應用于大規(guī)模文檔集或語料庫中潛藏的主題信息和語義結構的識別。例如，如果一篇文檔的主題與足球相關，那么某一些特定的詞，例如，“足球”“球隊”“球員”等，將更頻繁地出現在該文檔中。主題模型能夠自動地分析語料庫中的文檔，并根據文檔中單詞的共現情況提取潛在的主題信息。LDA(Latent Dirichlet Allocation)模型作為主題模型家族中最流行和最經典的模型，采用詞袋方法將每篇文檔處理為1個詞頻向量，從而將文本信息轉化為易于建模的數字信息[49]。本文采用LDA 模型實現表1中38 篇文獻的研究主題分類。LDA的概率圖模型表示如圖1所示。

圖1 LDA的概率圖模型Fig.1 Probability graph model of LDA

圖1中，空心圓為變量；陰影圓為可觀測變量；圓角矩形為參數；矩形框為迭代循環(huán)；矩形框右下角的數字為循環(huán)的次數；M為語料庫中的文檔數；Nm為文檔m中的單詞數量；K為潛在的主題數量；α和β分別為文檔中主題分布和主題中單詞分布的超參數；φk為主題k的單詞分布，是1個Nm維向量，且有k=1,…,K；θm為文檔m的主題分布，是1個K維向量，且有m=1,…,M；zm,n為文檔m中第n個單詞的主題，且有n=1,…,Nm；wm,n為1個具體的單詞。

具體地，圖1中的概率圖模型可用數學公式表示為一個帶參數的分層貝葉斯模型，即

結合式(1)～式(4)，LDA 模型生成M篇文檔的過程如下。

(1)對于每個主題k∈[1,K]，從式(4)中抽樣生成單詞分布φk。

(2)對于每篇文檔m∈[1,M]有：(a)從式(3)中抽樣生成主題分布θm。(b)對于每個單詞在文檔中所處的位置n∈[1,Nm]從式(2)中抽樣生成文檔m中第n個單詞的主題zm,n；從式(1)中抽樣生成主題k等于zm,n時的單詞wm,n。

LDA 模型的求解有兩種常用的學習算法：變分推斷[50]和Gibbs采樣[51]。本文主要采用結合了期望最大化算法的變分推斷估計LDA模型的參數θm和φk，具體的算法步驟可參考HOFFMAN等[51]，本文不再贅述。同時，為有效提高模型求解的運行效率，每篇文檔均由研究文獻的英文題目和英文摘要組成，語料庫由38篇文檔組成。

1.3 研究路徑構建

在文獻主題分類的基礎上，本文通過系統(tǒng)梳理各主題中文獻的研究目標，所采用的數據源，研究方法及研究結論，提煉出包括數據源、變量選擇方法、變量類型、建模方法及研究地點等論文的基本組成要素，由此構成任意一個研究主題下的通用研究路徑，如表2所示。根據表2中的各組成要素，每篇文獻的研究框架可大致得以重構。

表2 研究路徑組成要素Table 2 Components of study pathways

2 結果分析

2.1 主題生成結果分析

為了確定最佳的主題個數，本文采用困惑度(Perplexity)指標[49]評價LDA 模型的主題分類效果。該指標基于信息理論，衡量當前文檔m歸屬于不同主題的不確定程度。Perplexity的值Eperplexity越小，主題之間的差異越大，說明LDA模型的主題分類效果越好，具體的計算式為

式中：wm為文檔m中的一個單詞；p(wm)為文檔中產生詞wm的概率。

主題個數從2 變化到20 時(步長為2)，困惑度指標和算法運行時間的變化趨勢如圖2所示。根據困惑度指標的數值變化趨勢，最佳主題個數可確定為4，此時的困惑度數值最小，算法運行所花費的時間也最少，相對應的分類結果更加準確和穩(wěn)定。

圖2 不同主題個數的困惑度和運行時間測試Fig.2 Change of perplexity and time elapsed with topic number

最佳主題數為4時，各個主題的詞云分布，前7個共現高頻詞概率及文獻組題分類結果如表3所示。從表3可知，主題1 的前7 個共現高頻詞分別為driver、datum、vehicle、behavior、driving、traffic及analysis。其中，括號內的數值表示單詞出現的概率。結合詞云可以發(fā)現，高頻主導詞組合偏向于定性描述基于數據的貨車駕駛人駕駛行為分析。具體地，主題2關注利用相關性分析方法探索貨車駕駛人駕駛行為與道路安全事故風險的關聯性；主題3 聚焦于人為因素為主導的貨車碰撞事故致因研究；主題4強調了利用相關模型評估貨車駕駛人的駕駛行為風險性。

表3 主題生成結果Table 3 Results of topics generation from titles and abstracts

根據上述分析結果，本文將4個研究主題概括為：主題1為駕駛行為辨識，主題2為危險駕駛行為與行車安全，主題3 為貨車碰撞事故致因分析，主題4 為駕駛安全風險評估。各研究主題下的關鍵研究進展如下。

2.1.1 主題1 駕駛行為辨識研究

駕駛行為是駕駛人為響應當前道路行駛環(huán)境而執(zhí)行的特定駕駛操作，實現車輛實際運行狀態(tài)跟隨駕駛人駕駛意圖的過程[52]。一般來說，駕駛行為是駕駛風格的外在表現形式，用于刻畫駕駛人的駕駛習慣，不同的駕駛人通常也會表現出不同的駕駛風格。因此，國內外大部分研究主要基于不同的駕駛行為模式(例如，跟馳、換道、加速、制動及轉向等行為模式)，綜合評定駕駛人的駕駛風格。實現駕駛風格評定通常涉及3方面研究內容，具體如下。

(1)特征變量選取

相關研究發(fā)現駕駛人的駕駛風格和加速度、速度、燃油量及能量功耗等變量具有很強的相關性[53]。例如，孫川等[30]、Wu等[32]及王海星等[9]均提取營運貨車行駛過程中的車速超過限速80%的時間比例，速度的均值/標準差及加減速度的均值/標準差等8維特征變量，聚類分析貨車駕駛人的駕駛速度行為。FIGUEREDO 等[38]采用駕駛時長、每日平均駕駛距離、緊急制動次數、超速時長及節(jié)氣門開合度作為輸入變量，實現駕駛風格的識別。WANG等[48]利用貨車行駛過程中加速踏板位置的最大值/均值/標準差，油門踩踏角速度的最大值/均值/標準差，速度的最大值/均值/標準差及縱向加速度10維特征變量用于駕駛風格的分類。

(2)風格分類

在上述研究中，速度和加速度是一對極為重要的參量指標，既有研究通常將這兩個指標與其他變量和統(tǒng)計特征組合作為輸入變量，分類和識別貨車駕駛人的駕駛風格。在分類結果層面，目前研究大多是使用2 個或3 個類別區(qū)分駕駛人的駕駛風格。例如，從駕駛安全的角度，部分研究學者將駕駛風格劃分為激進型和保守型[8]。進一步地，WANG等[41]則將駕駛風格分為中等型、溫和型及激進型。此外，部分學者傾向使用更高類別數目的駕駛風格分類。例如，ZHOU等[7]選用超速、疲勞、急動度這3個類別指標，采用主成分分析和密度聚類相結合的方法，將駕駛風格劃分為：冒進型、比較冒進型、輕度冒進型、輕度謹慎型及謹慎型。

(3)風格識別

現有針對貨車駕駛人的駕駛風格識別研究主要是借鑒小汽車駕駛人駕駛風格辨識的分析模式，采用車輛運行狀態(tài)數據，提煉出特征變量(例如，車速平均值與標準差、加速度、急動度及橫向速度等)刻畫貨車駕駛人的駕駛風格。例如，徐婷等[8]通過提取最高車速、橫向加速度峰值、行車方向加速度峰值及車速與發(fā)動機轉速的最大相對比值構建貨車駕駛人安全傾向性評價指標，定量評估駕駛的激進程度。

在方法層面，基于機器學習算法識別貨車駕駛人駕駛風格是目前的主流研究范式。由于駕駛風格是對駕駛人習慣性駕駛方式的泛化概括，通常情況下缺乏先驗知識，難以人工標注識別無標簽的駕駛風格數據。因此，有監(jiān)督機器學習算法是需要輸入已標注的駕駛風格數據，而無監(jiān)督機器學習算法不需要預先了解數據的屬性，能夠自適應分析和自動劃分類別，更適用于駕駛風格的評定。常用的無監(jiān)督機器學習算法包括聚類算法[7-8,30,32,43]、LDA 模型[54]等。其中，k 均值聚類算法以其計算簡單和運算快速的特點，特別是在處理大規(guī)模數據集時具有可伸縮性和高效性，被廣泛應用于駕駛風格研究中。

2.1.2 主題2 危險駕駛行為與行車安全研究

危險駕駛行為主要分為3 類[55-56]：①駕駛疏忽，駕駛人因對行車環(huán)境觀察錯誤或不周導致的操作疏忽，例如，分心駕駛和疲勞駕駛等；②駕駛失誤，駕駛人因對當前車輛狀態(tài)、行車環(huán)境狀態(tài)及變化趨勢估計錯誤導致的決策失誤，例如，錯誤估計前車速度，導致剎車過猛；③違法駕駛，駕駛人因不按交通法規(guī)和其他交通安全規(guī)定行車等產生的交通違法行為，例如，超速駕駛和飲酒/醉酒駕駛等。已有研究表明，駕駛人的危險駕駛行為是導致交通事故的主要誘因，與行車安全有極強的相關性[57-58]。對于行車安全而言，研究貨車駕駛人的危險駕駛行為，可以從根本上更好地理解貨車駕駛人的駕駛行為風險性。本文從上述3 類危險駕駛行為與行車安全的關聯性進行綜述。

(1)駕駛疏忽與行車安全

與小汽車駕駛人相比，由于貨源的不確定性及其與目的地的距離偏長等因素，貨車駕駛人普遍存在工作負荷大、作息混亂及注意力不集中等特點，更容易發(fā)生以分心駕駛和疲勞駕駛為主的駕駛疏忽行為，極大影響著道路行車安全[7]。

在分心駕駛方面，現有研究主要聚焦在貨車行駛過程中不同分心源(例如，操作手機、進食、飲水及調整座椅等)組成的次要任務對行車安全的影響。例如，CLAVERIA 等[37]基于問卷調查數據，采集貨車駕駛人的社會屬性、工作屬性、駕駛行為及車輛配置等參量，采用隨機參數二項Logit模型，探究手機使用對貨車駕駛行為的影響發(fā)現，駕駛人的駕駛行為、社會屬性、工作屬性、工作時間及工作管理特征會顯著影響貨車駕駛人在駕駛過程中使用手機的可能性。此外還發(fā)現，工作管理和安全培訓能有效降低貨車駕駛人使用手機的概率。探究分心駕駛通常使用問卷調查數據，輔以觀察和訪談的方式，更加精準地獲取駕駛人執(zhí)行次要任務的原因、類型和頻率。目前，基于自然駕駛數據的貨車駕駛人分心駕駛監(jiān)測開始獲得學者們的關注[39]。

在疲勞駕駛方面，貨車駕駛人屬于職業(yè)駕駛人，往往需要長時間駕駛車輛，正常作息難以保障。因此，疲勞駕駛發(fā)生的可能性極大，貨車駕駛人的警覺性、工作表現及風險處理等能力也隨之不同程度地下降。例如，CHEN 等[27]研究發(fā)現，睡眠質量較差的貨車司機，在日常工作中疲勞程度越高，更傾向于表現出駕駛失誤、駕駛分心及交通違法等行為。FILTNESS 等[44]研究表明，咖啡因雖然能有效對抗駕駛人的嗜睡特性，但攝入過多的咖啡因并不能明顯提高駕駛安全性能，且容易對職業(yè)駕駛人的身體健康和睡眠質量產生不良影響。此外，CORI 等[11]發(fā)現，延長換班之間的休息時間可顯著提升貨車駕駛人的睡眠質量，并對貨車駕駛人的警覺性和工作表現產生適度的積極影響。上述疲勞研究通常將駕駛人社會工作屬性(年齡、收入及違章記錄等)、駕駛人風格/操作特征(緊急駕駛和近距離跟馳等)、車輛運行特征(車速平均值和加速度等)作為輸入變量，利用統(tǒng)計學模型建立輸入變量與疲勞駕駛的關系，缺乏從人工智能的角度研究數據驅動型的疲勞駕駛與行車安全。

(2)駕駛失誤與行車安全

在日常駕駛任務中，貨車駕駛人往往頻繁地行駛在同一片區(qū)域，對車況、道路條件及環(huán)境會比較熟悉，進而在日積月累中形成自身的駕駛經驗和行為習慣。然而，這類經驗型和個性化的貨車駕駛人可能會表現出程序化/激進化駕駛和分心駕駛的現象，一定程度上增加了在途運輸的駕駛風險。目前，針對由于駕駛經驗和個性化情緒造成的駕駛失誤與行車安全的相關研究相對偏少。這類研究主要以問卷調查數據為主，通過提取貨車駕駛人的性格特征、社會和工作屬性及風格特征等變量，采用統(tǒng)計學模型方法，探究駕駛經驗和個性化情緒對駕駛人安全駕駛行為的作用機制。例如，GIROTTO等[31]利用Logistics回歸模型，對貨車駕駛人的不同個人屬性(例如年齡、收入及經驗等)、駕駛操作特點及不同駕駛時間段與事故風險之間關系進行統(tǒng)計分析發(fā)現，只有10年及以上貨車駕駛經驗的駕駛人，發(fā)生事故的概率能夠降低30%。LANDAY等[45]說明，同理心較強的貨車駕駛人發(fā)生事故的概率較低，而具有焦慮、易怒、冒險及內疚傾向的貨車駕駛人，更容易誘發(fā)交通事故。

(3)違法駕駛與行車安全

研究表明，導致貨車駕駛人事故的4大危險因素包括：超速駕駛、超載駕駛、酒駕及疲勞駕駛[1]。其中，與貨車駕駛人違法駕駛(例如超速駕駛和酒駕)有關的人為因素包括駕駛人社會經濟屬性和駕駛狀態(tài)等方面，研究貨車駕駛人交通違法行為或危險事件與行車安全之間的關系。同樣地，這類研究成果偏少，僅有的研究見于MEHDIZADEH 等[42]和CAI 等[10]的報道，初步探討了危險駕駛行為與碰撞風險的關聯性。MEHDIZADEH等[42]的研究結果表明，每增加1%的由攻擊性駕駛行為造成的交通違法，貨車交通事故發(fā)生的概率增加42%。CAI 等[10]則指出，在10 km內，每增加1%的由貨車駕駛人造成的危險事件數，貨車交通事故發(fā)生的概率增加8.4%，人員傷亡的可能性增加8.7%。

2.1.3 主題3 貨車碰撞事故致因分析研究

基于統(tǒng)計學模型的貨車碰撞事故影響因素辨識是目前應用最為廣泛的事故致因定量分析方法。大部分研究基于文本和電子記錄數據，從駕駛人社會經濟屬性[12-13,22,33,43]、車輛特征[14,33,43]、空間特征[12-14,29,40]、時間特征[29,40,43]及天氣特征[33,40,43]等方面對貨車碰撞事故致因進行相關探索。本文從貨車碰撞事故顯著影響因素集和建成環(huán)境影響因素集分別進行綜述。

(1)貨車碰撞事故顯著影響因素集

國內外學者不僅僅關注貨車碰撞事故的直接致因因素，還注重探討違法行為、車輛類型及道路線形等因素對碰撞事故的影響。例如，CANTOR等[22]分析美國高速公路交通事故數據顯示，涉及卡車的事故中有74%是由于違反交通法規(guī)、危險駕駛行為和身體狀況等駕駛人因素引起。PAHUKULA等[29]發(fā)現，在早上和晚上時段，貨車混入率(特別是大型載重貨車)與事故發(fā)生率呈顯著正相關關系。WANG等[43]揭示了彎道、坡度及平曲線等線形因素顯著影響大型貨車的事故傷害程度。在開展人、車、路等因素對貨車碰撞事故影響機制研究的基礎上，貨車混入對道路交通事故發(fā)生的影響也逐漸得到了研究者的關注。HONG 等[40]研究了駕駛人個人屬性、違法行為、交通狀況、路面狀況及天氣等因素對韓國高速公路碰撞事故頻率的影響關系，發(fā)現道路線形、路側結構及時間和季節(jié)性貨車涉入交通流比例等特征對碰撞事故有非線性影響。

(2)建成環(huán)境影響因素集

一般認為，建成環(huán)境(包括土地利用、交通基礎設施及道路網絡等)決定了出行者/駕駛人的活動空間范圍、集聚程度及活動強度，直接影響著出行者/駕駛人的出行質量和滿意度。然而，建成環(huán)境如何影響交通事故的發(fā)生，在多大程度上影響貨車碰撞事故，這類問題鮮有報道。YANG等[12]嘗試將道路基礎設施、道路線形條件、貨運OD、人口密度及土地利用作為自變量，以貨車碰撞嚴重程度作為分類因變量，構建基于可解釋性機器學習算法的貨車碰撞嚴重度分析模型，分析發(fā)現，人口統(tǒng)計、土地利用、道路網絡與碰撞嚴重程度顯著相關。

在兩類影響因素集分析的基礎上，總結近年來貨車事故致因分析的研究方法和關鍵影響因素如表4所示。由表4可知，貨車事故關鍵影響因素中，駕駛人人為因素占主導，主要包括駕駛人在駕駛過程的行為失當。一般認為，通過規(guī)范貨車駕駛人的駕駛行為和控制人為風險因素，可以有效提高道路交通運輸的安全性。因此，針對貨車駕駛人進行安全培訓和風險監(jiān)控具有非常重要的意義。雖然國內外學者一直關注貨車碰撞事故成因及對策，但研究視角主要集中于高速公路、隧道及長大下坡等特定路段，目前，對山區(qū)公路貨車碰撞事故機理與防治的關注仍較為有限。如何合理、準確和及時地評估貨車駕駛人潛在的駕駛行為風險性及其發(fā)展態(tài)勢，是目前研究亟待解決的核心問題。

表4 貨車碰撞事故影響因素集Table 4 Previous studies for key factors in truck-involved crashes

2.1.4 主題4 駕駛安全風險評估研究

目前，關于貨車駕駛安全風險評估的相關研究仍不多見。共檢索到8篇相關文獻，分別從車載監(jiān)控系統(tǒng)和駕駛人駕駛行為與交通流運行特征的角度，評估車載主動安全設備產生的安全效益[24,46]、駕駛人駕駛風險[15-16,25-26]以及道路行車風險[41,47]。

(1)車載主動安全設備產生的安全效益評估

針對車載主動安全設備產生的安全效益評估，已有研究發(fā)現，車載監(jiān)控能有效降低駕駛人的危險駕駛行為發(fā)生頻率[24,59-60]。保險公司則將上述研究成果成功應用于車聯網保險產品的定價，一般做法是通過安裝車載監(jiān)控系統(tǒng)，獲取駕駛人的加速、左右轉彎及超速等行為，再融入到保險精算模型中，對駕駛人進行評分，根據得分高低計算保費[61]。然而，既有研究更多地關注于車載監(jiān)控系統(tǒng)本身所帶來的安全效益，并未深入地剖析：①與未部署監(jiān)控系統(tǒng)相比，安裝車載監(jiān)控是否能顯著提高安全效益？②如果同時對貨車駕駛人進行安全培訓和駕駛監(jiān)控，是否能對安全效益提升產生協(xié)同效應？③以上兩種情況，哪種情況產生的安全效益更為顯著？為了嘗試回答這些問題，MASE等[46]基于英國兩個貨運公司的駕駛人視頻監(jiān)控數據和駕駛事故數據，以沒有進行安全培訓和監(jiān)控設備部署的試驗方案為比較基準，采用方差分析方法對比評估了上述3種情況下產生的安全效益。研究結果顯示，在實施駕駛行為監(jiān)控后，由急剎車和超速引起的事故發(fā)生率總體上顯著降低；對駕駛人進行安全培訓后，由急剎車引起的事故發(fā)生率進一步顯著降低。此外，與僅采用視頻監(jiān)控的試驗方案相比，由視頻監(jiān)控和安全培訓的監(jiān)督干預模式能顯著減少急轉彎事故的發(fā)生頻率。

(2)駕駛人駕駛風險評估

針對駕駛人駕駛風險評估，已有研究主要基于車輛軌跡數據、固定點檢測數據及文本和電子記錄，綜合提煉出車輛運行狀態(tài)、駕駛人信息及道路幾何線形等特征指標，構建多維結構的駕駛人駕駛風險評估模型。例如，任園園等[26]從事故發(fā)生概率、事故嚴重度、駕駛員風險認知水平、駕駛員控制能力及交通信息不對稱5 個方面，設計了5 種風險因素的量化表達式及其對應的風險度函數，在此基礎上，構建綜合風險度函數評估不同車型的駕駛人行車風險。

(3)道路行車風險評估

針對道路行車風險，這類研究還處于初期階段，嘗試利用統(tǒng)計模型和機器學習方法探索貨車混入率和行車環(huán)境與道路交通事故風險之間的關系，并尋求駕駛安全提升策略。例如，JIN等[41]基于2個月的微波檢測數據，首先，采用門控循環(huán)單元預測不同類型(微型、輕型、中型及重型)的貨車流量，將其作為自變量；然后，利用速度變異系數將道路風險分為零風險水平、低風險水平及高風險水平3類，將其作為因變量；最后，建立多項Logistic 預測模型，預測貨車混入條件下道路交通處于不同風險水平的概率。NIU 等[47]從車輛軌跡數據和氣象數據中，提取出7類風險暴露變量，分別為行程時間、日期、平均時速、道路類型、每日平均行車里程、天氣及交通流，采用生存模型和風險模型分析危險品運輸貨車的行車風險與暴露因子之間的關聯性。研究結果表明，天氣、交通流、行程時間及平均時速對零交通事故記錄的駕駛人有顯著影響。

2.2 路徑生成結果分析

為更好地理清主題的研究脈絡，本文嘗試通過數據源、變量選擇方法及建模方法等論文的基本組成要素提煉主題的共性研究路徑，并評述其中的關鍵要素。根據表2列出的研究路徑中的各組成要素，本文系統(tǒng)梳理了38篇關鍵文獻的研究路徑，如表5所示。為闡述清楚研究路徑中各種符合編碼的含義，以文獻[7]為例詳細說明。文獻[7]的研究路徑編碼為“A4,8-B2～3-C6,8～10-D1e,2aⅲ,2h-E2-F1b-G3”，結合表2，該篇文獻采用的數據源為運輸企業(yè)車聯網數據、文本和電子記錄(A4,8)，變量選取方法為已有研究推薦和經驗選取的組合方法(B2～3)；結合變量選取方法，從數據源中分別提煉出車輛運行特征變量、空間變量、時間變量和天氣變量(C6,8～10)，并選用密度聚類算法、主成分分析和分層模型(D1e,2aⅲ,2h)進行建模分析；具體的研究地點選在日本的Chugoku區(qū)域(E2)，道路類型為高速公路；最終，模型的輸出結果為貨車駕駛人的駕駛行為識別結果(F1b)，且該識別結果不支持實時性輸出(G3)。需要說明的是，如果研究路徑中涉及組成要素的多個選項，例如，對于變量類型(C)，車輛運行特征變量(6)、空間變量(8)、時間變量(9)和天氣變量(10)需要同時考慮，則在相應要素的字母下標處用逗號和波浪線連接表示，即“C6,8～10”。

表5 4個研究主題的研究路徑生成結果Table 5 Results of study pathway generation with four topics

接下來，本文將進一步詳細分析研究路徑中的數據源、變量選擇和建模方法等關鍵要素。在分析之前，采用一個通用表達式描述一類具有相同特點的關鍵文獻，即(X∶Y1,…,Yi)，X為相應類別的關鍵文獻數量；Yi為相應類別的關鍵文獻編號。

2.2.1 數據源和變量選擇

(1)數據源

數據源的質量將很大程度地決定數據的有效性，從數據中篩選出合理的輸入變量是模型構建的基礎。表2總結了關鍵文獻中具體采用的8種數據源，結合表5，可以發(fā)現：約39%的研究采用了文本和電子記錄數據源(15: 10,12～16,22,25,28～29,33,40,43,47～48,44～48)，這類研究主要使用歷年的交通事故數據，探討“人-車-路”等潛在風險因素和貨車碰撞事故率/嚴重度之間的關聯性，例如，主題3關于貨車事故致因分析的研究；近21%的研究使用了基于衛(wèi)星定位技術的車輛軌跡數據(8: 30,32,36,38,9,47～48,16)，這類研究的數據主要來源于運輸公司的車輛監(jiān)控平臺，并聚焦于貨車駕駛人駕駛行為的辨識(主題1)；此外，僅有26%的研究采用兩種及以上的數據源(10:26,28,47～48,10,15～16,12～14)，這類研究主要分布在主題1、主題3 和主題4中。

綜合來看，現有大部分研究多基于文本電子類數據展開，特別是利用以美國的Large Truck Crash Causation Study (LTCCS)項目為代表的數據進行了一系列的研究，并取得了豐碩的成果[27,62-63]。LTCCS 項目[64]由美國的聯邦機動車運輸安全管理局(Federal Motor Carrier Safety Administration，FMCSA)和國家公路交通安全管理局(National Highway Traffic Safety Administration，NHTSA)聯合發(fā)起，開始于2001年4月，結束于2003年12月。其主要目的是通過事故現場調查，醫(yī)院救治報告以及相關運輸公司、駕駛人、乘客和事故目擊者的采訪等途徑，在美國17 個州的24 個地點共收集了近千起貨車事故數據，供研究者系統(tǒng)分析貨車事故的產生機理和關鍵影響因素。在LTCCS 項目之后，美國FMCSA又發(fā)起了一項大規(guī)模的貨車自然駕駛研 究(Naturalistic Truck Driving Study，NTDS)項目。NTDS 項目[65]從時間上分為兩個階段：第1 個階段為2004年5月—2005年5月，采集95位貨車駕駛人近50000h 和370 萬km 的駕駛數據，側重于調查分析貨車駕駛人的危險駕駛行為及其可能誘發(fā)的危險事件(Safety-critical Events)；第2 個階段為2005年11月—2007年3月，采集96 位貨車駕駛人近65000 h和118萬km的駕駛數據，聚焦于評估各類危險事件所帶來的潛在碰撞風險，并提出相對應的主動安全防護措施。然而，國內尚未針對貨車駕駛人的駕駛行為展開大型的自然駕駛實驗，因此，高質量的和面向不同道路行駛環(huán)境的大規(guī)模貨車駕駛數據集尚不具備。但值得一提的是，國內的營運貨車一般被要求強制安裝具有行駛記錄功能的衛(wèi)星定位裝置，其運行軌跡需實時上報到全國道路貨運車輛公共監(jiān)管與服務平臺，為利用大規(guī)模的軌跡數據研究貨車駕駛人的駕駛行為模式成為可能。

(2)變量選擇

通過各類傳感器或設備獲取原始數據之后，通常需要結合研究目標進行二次分析，選擇合適的輸入變量構建相關模型。關鍵文獻中，一部分研究未具體指明變量選擇方法，而是直接給出所采用的變量或變量列表(12:24～25,29,33,40,41,43,46,16,12～14)，但在統(tǒng)計回歸建模過程中，上述操作容易導致多重共線性問題的產生，并可能得到違反直覺的結果，模型的性能也有待進一步驗證；另有一部分研究根據已有研究成果(5:34,36～37,39,42)，或者利用自身的工程經驗(7: 22,27,28,31,38,8,47)，篩選出合適的輸入變量；也有部分研究是基于上述兩種方法的結合(8:26,6,35,7～8,47,11,15)，綜合選取滿足建模條件的輸入變量；最后，還有一小部分研究特別指明了具體的變量選擇方法(3:30,32,48)，例如，Pearson 相關性檢驗、因子分析及特征權重ReliefF 算法。上述方法主要分為兩類：基于數理統(tǒng)計的方法和基于數據驅動的方法。前者主要依賴于模型的內部機制剔除不顯著或關聯性弱的輸入變量，t 檢驗[66]、Spearman 相關性檢驗[67]及Logistic回歸[68]等均屬于這一類方法。相較于前者，基于數據驅動的方法更擅長挖掘隱性特征關系，具有特征篩選精度更高的優(yōu)勢，例如，分類樹[69]和隨機森林[70]等。特別地，通過評估和排序變量重要性，隨機森林被認為是篩選重要性變量最有效的方法之一[71]。

綜上所述，受限于研究的客觀條件(例如，實驗設備、實驗場所、人員和資金的投入能力等)，多數研究常使用單一數據源，通過變量選取方法提煉得到的特征變量在描述貨車駕駛人駕駛行為時空過程中存在一定的局部性和粗糙度，無法從“人-車-路”等多維視角建立駕駛事件及其過程的整體視圖。因此，未來研究可融合多類數據源，為后續(xù)模型構建提供多層次和多維度的特征變量，更有利于實現不同道路環(huán)境和多因素影響下的貨車駕駛人駕駛行為及駕駛安全風險的準確描述和精確量化。4類研究主題中常用數據源的優(yōu)缺點及從數據源中可提取的變量類型如表6所示。

2.2.2 研究地點和建模方法

(1)研究地點

關鍵文獻涉及的研究地點主要分布于中國、韓國、美國和英國等地區(qū)，近24%的研究在中國開展(9:26,30,32,41,8～9,47～48,16)，約37%的研究發(fā)生在美國(14: 22～25,27,29,6,37,39,44,10,15,12～14)。在所有關鍵文獻中，有20 篇研究(20:22～24,27～28,6,31,33～34,36～43,7,47,14)將高速公路作為具體的研究地點開展相關主題分析。從論文發(fā)表時間上看，歐美等國在貨車駕駛人相關研究領域起步早，并較早地發(fā)起了NTDS 項目；與國外研究相比，中國在NTDS 領域內尚未充分開發(fā)利用。但在近年內，中國研究人員利用車輛軌跡數據評估分析貨車駕駛人駕駛行為及其風險方面的研究貢獻了較多的研究成果(5:30,32,7,47,16)。盡管如此，研究地點仍僅局限于高速公路或城市快速路。

(2)建模方法

關于建模方法，目前研究方法分為兩種：一種是基于數理統(tǒng)計的方法，即在確定了研究地點、數據采集方式和變量提取方法之后，采用Logistic 回歸、泊松回歸及負二項回歸等統(tǒng)計學模型方法，探索影響貨車事故風險的關鍵因素，研究貨車駕駛人危險駕駛行為與事故風險關系，研究主題2 和主題3均采用此類方法；另一種是基于機器學習的方法，主要以貨車駕駛人的駕駛行為為研究對象，基于貨車軌跡數據和駕駛人的駕駛行為數據，采用隨機森林、集成分類器及深度學習等機器學習方法，識別貨車駕駛人的駕駛行為和駕駛風格，研究主題1 偏向于使用該類方法，而研究主題4 從文獻數量上看，基于機器學習的此類研究仍較為受限。

在各種統(tǒng)計學模型方法中，較多的關鍵文獻采用了固定參數統(tǒng)計模型(6:22,25,28,6,31,33)，例如，多項Logistic 分布、負二項分布及泊松分布等。但事故數據通常是不均勻的，一般具有過度離散、零頻次過高、時空關聯、多層結構和異質性等特征[72-73]，傳統(tǒng)的固定參數統(tǒng)計模型很難捕捉到多種數據特征。因此，為克服傳統(tǒng)模型在事故數據特征解釋層面的局限性，先后提出了一系列改進模型，主要分為3類：一是隨機參數統(tǒng)計模型，例如，隨機參數Logit模型[29,37]和偏比例優(yōu)勢模型[43]等；二是有限混合模型，包括泊松有限混合模型[74]和負二項有限混合模型[75]等；三是分層模型，主要有分層正態(tài)分布模型[7]和分層貝葉斯模型[76]等。上述改進模型在很大程度上提高了研究人員對事故致因的理解。

近年來，隨著機器學習研究的深入，不同類型的學習算法被廣泛地應用于駕駛行為領域。鑒于駕駛行為特征包含連續(xù)序列、離散序列及視頻圖像等多種數據類型，國內外研究常使用k均值聚類[38]、LDA 模型[54]、隱馬爾可夫模型[77]、隨機森林[48]和深度學習[41]等算法進行駕駛行為學習。根據機器學習的原理，目前，針對研究主題1和研究主題4的算法主要分為兩類：有監(jiān)督學習算法和無監(jiān)督學習算法。有監(jiān)督學習算法是需要已知標注的駕駛行為數據，進而通過學習建立樣本特征與類別標簽的數學模型，關鍵文獻[36,38,41]所采用的算法均屬于此類別。無監(jiān)督學習算法則是從無標注的駕駛行為數據中建立算法學習模型，挖掘數據中的統(tǒng)計規(guī)律或潛在結構，關鍵文獻[30,32,8～9,48,16]所采用的算法屬于此類別。最近，有學者嘗試將統(tǒng)計模型和機器學習算法進行結合，例如，關鍵文獻[6]和[7]，在模型精度和可解釋性層面取得了很好的效果，這類嘗試也出現在交通行為[78]和共享交通[79]領域。融合統(tǒng)計模型和機器學習算法可以彌補各自的不足，提高整體模型的性能，并增強模型對因變量的解釋能力。未來研究可進一步豐富此方面的研究成果。4類研究主題中的常用模型及其適用性說明如表7所示。

表7 常用模型說明表Table 7 Outlines for variable models for study of driving behavior and driving safety

3 結論與展望

貨車駕駛人的駕駛行為特性是影響行車安全的重要因素。如何描述和甄別貨車駕駛人駕駛行為特性并對其進行關聯分析和行車風險評估，提出針對性的風險調控策略，是解決貨車駕駛人駕駛行為與道路行車安全交互作用機理問題的關鍵。其中，挖掘道路交通環(huán)境和駕駛行為與車輛狀態(tài)的隱性關聯是問題的核心。本文從貨車駕駛人的角度，系統(tǒng)綜述了駕駛行為辨識、危險駕駛行為與行車安全分析、貨車事故致因分析及駕駛安全風險評估等研究主題目前取得的研究進展；從數據源、變量選擇方法、研究地點及建模方法等方面分析了各類研究主題的研究路徑。基于上述相關研究工作的分析，總結當前研究局限性和未來研究方向。

3.1 研究局限性

通過系統(tǒng)梳理4 個主題的研究進展情況及其研究路徑生成結果，可以發(fā)現，國內外學者主要聚焦于貨車的駕駛人駕駛行為分類、危險駕駛行為識別和碰撞事故致因分析，研究場景更多集中于城市快速路和高速公路，針對山區(qū)公路環(huán)境下的貨車駕駛安全風險評估與防控研究仍缺乏足夠的關注?？偟膩碚f，盡管上述研究提供了具有理論或應用價值的成果，但仍需客觀地認識到，現有研究在數據獲取和研究地點、特征變量提取及建模方法層面仍存在一些不足，總結如下。

(1)數據獲取和研究地點評述

首先，貨車駕駛人駕駛行為與行車安全數據的獲取途徑較為單一，采集數據一般為文本電子類數據，使得結果的參考價值受到一定局限，也變相地導致目前針對駕駛風險動態(tài)評估的研究較少；其次，研究地點主要集中在正常天氣條件下的高速公路和城市道路等有利于數據收集的常規(guī)地點，在特殊天氣條件下或山區(qū)公路環(huán)境下的相關研究還不夠豐富；最后，現有研究正在嘗試使用車輛監(jiān)控軌跡數據，開展貨車駕駛人駕駛行為辨識和運行安全相關研究。然而，這類數據的樣本量在空間和時間層面較為有限，以宏觀或集計分析為主，缺少對貨車運行的精細化描述和貨車個體異質性的科學表征，以及針對貨車危險駕駛行為的產生機制及演變機理的實測數據分析。

(2)特征變量評述

4 類主題的已有研究偏向使用較多的指標數量，但動態(tài)且高頻指標較少，主要表現為貨車駕駛人操作特征、車輛運行特征和道路交通狀況等指標數量運用得偏少。此外，指標選取呈現兩極化特征，一方面是指標選取的合理性分析較少，具體表現為經驗選取或已有研究推薦的方式確定指標的類型和數量，這類選取方式可能會根據當前的客觀條件所限而選擇與研究主題不匹配的指標，容易導致變量與研究目標之間的關聯性不強，使模型精準度有限。另一方面是指標選取方法的有效性有待驗證，盡管部分研究給出了基于數據驅動或數理統(tǒng)計的指標篩選方法，仍然會不同程度地缺失針對所選指標的適應性評估方法，難以保證指標選取的規(guī)范性和選取效果最佳的指標。隨著研究的深入和技術水平的發(fā)展，未來會出現新的采集設備和指標，需要建立通用的適應性指標選取方法和原則。

(3)建模方法評述

4類主題的相關研究所采用的方法主要分為數理統(tǒng)計建模和數據驅動建模?？梢园l(fā)現，主題2和主題3的相關研究多采用統(tǒng)計學模型，基本實現了危險駕駛行為與行車安全交互作用和貨車碰撞事故影響等機制的解析，但是對于探索貨車駕駛人危險駕駛行為和交通事故、車輛狀況、道路類型、交通擁堵程度及交通管理措施等因素之間復雜的交互關系有待進一步細化，特別是對實時道路信息接收、駕駛監(jiān)控系統(tǒng)、駕駛輔助系統(tǒng)及網聯自動駕駛等應用環(huán)境對降低事故風險的潛在效能仍沒有充分地進行論證和分析。主題1和主題4的相關研究主要采用基于機器學習的數據驅動方法，開展更為細致地駕駛行為分析與風險評估方面的研究，但是此類方法僅僅對駕駛行為進行分類或者靜態(tài)風險評估，所采用方法的優(yōu)劣對比不具有對等性，且不能夠解釋自變量估計系數是否在統(tǒng)計上有意義。此外，針對貨車在途實時風險預測的相關研究仍較為缺乏。

3.2 未來研究方向

結合現有研究在數據獲取、研究地點、指標提取和建模方法的局限性，本文嘗試討論未來可能的關于貨車駕駛人駕駛行為與行車安全的4 個研究方向。首先，針對貨車駕駛人駕駛行為研究，討論了利用大數據和人工智能描述貨車駕駛人時空駕駛行為模式的發(fā)展方向(描述)；其次，針對貨車碰撞事故致因分析，討論了“人-車-路”時空因素建模的可能性(解釋)；然后，面向高新智能自動化環(huán)境，討論了貨車危險駕駛行為與行車安全關系的研究重點(關聯)；最后，面向道路運輸安全的重大現實需求，討論了貨車在途動態(tài)風險預測的必要性(應用)?？偟膩碚f，本文將貨車駕駛行為模式、貨車碰撞事故致因分析、貨車危險駕駛行為和行車安全關聯性及貨車在途動態(tài)風險預測作為一個整體系統(tǒng)考慮，四者(描述-解釋-關聯-應用)之間的關系如圖3所示。

圖3 不同研究方向之間關系圖解Fig.3 An illustrative diagram for describing relations between studies in different directions

隨著數據的實時更新與未來其他類型數據的接入，整個系統(tǒng)將通過基于統(tǒng)計和人工智能算法的數據驅動模式，改善和提升4部分輸出結果的準確性。同時，貨車駕駛行為和貨車碰撞事故致因的分析結果，將有助于進一步解析和理解駕駛行為和行車安全之間的關聯性，前三者(描述-解釋-關聯)的研究成果能夠幫助提升貨車動態(tài)風險預測的精度，推動貨車駕駛人危險駕駛在線監(jiān)測技術和貨車主動安全設備研制的實用化進程。

(1)大數據和人工智能雙驅動的貨車駕駛行為研究

現有針對貨車駕駛行為的研究，主要以問卷調查、模擬駕駛和自然駕駛試驗為數據采集基礎，開展駕駛行為的辨識工作，缺乏針對大規(guī)模路網范圍的貨車駕駛行為實測數據定量分析及實證研究。隨著交通大數據時代的到來，以智能網聯、網絡通信、衛(wèi)星定位及云計算等關鍵技術為載體實現了廣域動態(tài)軌跡數據和駕駛行為實時監(jiān)控數據的匯聚及整合，貨車駕駛行為動態(tài)信息精準獲取與智能分析能力得到極大提高。未來也越來越趨向于使用多種數據源融合的分析方法，重點在于如何廣泛地采集和準確地提取能客觀動態(tài)表征貨車駕駛行為的多維時空特征。例如，在未來的研究中，考慮將貨車軌跡數據和其他多源數據(例如，全國道路貨運車輛公共監(jiān)管與服務平臺提供的貨車駕駛行為監(jiān)控數據)進行結合，深入探索不同于小汽車駕駛人的貨車駕駛行為的獨特特征；開展貨車駕駛人的駕駛行為動態(tài)決策、危險駕駛行為的識別及從產生到結束的全過程演化解析等方面的理論建模和實證研究；從個體行為和群體行為出發(fā)，探索貨車駕駛人的個體駕駛行為特征和群體駕駛行為模式的演變規(guī)律，分析兩者的時空關聯性和時空異質性，助力貨車駕駛行為的精準管控。

(2)基于“人-車-路”時空因素建模的貨車碰撞事故致因分析

國內外學者一直關注貨車碰撞事故成因及對策，但大部分研究集中于高速公路、城市道路、隧道及長大下坡等特定路段，并基于歷史交通事故統(tǒng)計數據，對貨車事故進行宏觀和中觀致因分析。然而，由于實時車輛運行狀態(tài)和駕駛環(huán)境數據通常難以獲得，基于歷史事故數據的研究在本質上是一種靜態(tài)的“事后”致因推測，難以解釋事故發(fā)生前后系統(tǒng)某些參數的連續(xù)變化或者系統(tǒng)狀態(tài)的突然變化的問題。因此，有必要結合無人機航拍、模擬駕駛及自然駕駛等技術，開展人、車、路等因素對貨車碰撞事故的微觀致因影響，特別是在山區(qū)公路環(huán)境下，進一步探索貨車與其他類型車輛之間的交互作用機制[82]。在未來研究中，可以結合車輛軌跡數據、車載診斷系統(tǒng)和視頻監(jiān)控數據、固定點檢測數據、氣象數據及事故數據等多個數據源的優(yōu)勢，進行多源信息的交互和融合，提煉出包括駕駛人駕駛操作特性、駕駛狀態(tài)特性、車輛運行狀態(tài)、道路交通狀況、道路幾何線形及交通事故等多維特征變量，采用時空交互統(tǒng)計模型[83]或可解釋性的機器學習算法[12]，深入研究影響貨車碰撞事故的微觀因素。此外，考慮到貨車事故是小概率事件，有必要采用危險事件替代事故相關指標，并利用不均衡數據采樣算法[84]或深度學習[85]消除樣本的不均衡性影響，構建貨車交通事故嚴重程度影響因素模型，進一步探索各類因素對貨車事故嚴重程度的影響機制[67]，拓展交通安全的研究內涵。

(3)面向高新智能自動化環(huán)境的貨車危險駕駛行為與行車安全關系研究

現階段的貨車危險駕駛行為與行車安全關系研究主要偏向于討論分心駕駛、疲勞駕駛和行車安全的關聯性，較少涉及超速駕駛和行車安全的關聯性分析，特別是與近年快速發(fā)展的網聯自動駕駛和車路協(xié)同等高新智能自動化技術結合不足，缺乏自動無人駕駛或人機共駕場景下的危險駕駛行為甄別及其與行車安全研究。相對于城市內部的行駛車輛，貨車在高速公路環(huán)境下具有更強的自由度，更易實現自動駕駛[86]。在未來的研究中，可開展網聯自動駕駛環(huán)境下的大規(guī)模貨車駕駛人危險駕駛行為模式時空分布和演變規(guī)律研究。此外，未來還可考慮在多種典型路況下，以人工駕駛和半自動駕駛相結合的方式，對貨車駕駛人的危險駕駛行為與行車安全進行深入研究，例如，網聯自動駕駛場景下的危險駕駛行為定義和類別，人機共駕時的危險駕駛行為譜研究，道路中不同等級自動駕駛車輛不同混行比例的貨車與其他類型車輛之間的交互作用機制研究，危險駕駛行為從形成到消散過程的演化與事故風險的關聯等，進一步推動高性能危險駕駛行為監(jiān)測產品和主動安全干預系統(tǒng)的發(fā)展。

(4)面向駕駛安全的貨車在途動態(tài)風險預測研究

目前，駕駛安全風險評估主要采用Logistic 和神經網絡等回歸模型刻畫風險因素與危險事件之間的關系，且多集中于貨車駕駛人駕駛風險和交通流風險的評估，普遍采用基于速度的衍生參量(例如，平均速度、速度變異系數及超速比例等)作為風險評估的主要指標之一。雖然速度參量指標能夠揭示駕駛安全問題的部分特征，但是這類研究均包含一個隱性假設，即風險評估的系統(tǒng)環(huán)境在一定時間內是穩(wěn)定不變的，這將使得所有的參量偏向于中觀和宏觀的指標，很難適用于復雜行車環(huán)境下的貨車在途動態(tài)風險預測。因此，針對特定的安全隱患路段場景，例如，長下坡、急彎、互通立交分合流區(qū)及公路平交口等復雜路段，結合交通流量、道路環(huán)境及天氣等因素，融合交通監(jiān)控視頻和車載傳感器數據等多源數據，借助機器學習方法在挖掘隱性特征的優(yōu)勢，亟須探究貨車與交通流和道路線形的耦合作用機制及其對小客車運行風險的影響。在道路運行風險層面，可利用行車風險場理論[56]，從微觀駕駛行為和道路交通流的研究視角，構建駕駛行為與交通流運行狀態(tài)集成在連續(xù)空間和連續(xù)時間的動態(tài)過程表達，量化風險評價指標，建立“人-車-路”的風險評估體系，把握貨車駕駛人危險駕駛行為的風險演變趨勢。在車輛運輸安全方面，應深入分析影響駕駛行為和交通流在時空層面變化的關鍵因素，研究具有科學性、前沿性及適用性的貨車在途動態(tài)風險預測方法，完成交通運行風險的實時評估與動態(tài)更新預測，控制運輸風險。